Sobel算子和形态学相结合的尿液试纸条边缘检测算法研究*

李怡燃,庞春颖,常知强

(长春理工大学生命科学技术学院，长春 130022)

1 引 言

目前医院的尿检仪器主要采用光电比色法来进行颜色的识别，该方法易受到环境光变换影响，分辨率低，误差大。为此，研究人员提出了基于图像处理的方法，通过摄像头对试剂带进行拍照，然后准确定位试纸条上反应块的边缘，最后通过建立各反应块灰度值与指标浓度间的关系模型来获得各项检测参数。通过该原理研发的仪器检测速度快、精度高、体积小、易操作，具有较高的性价比。

基于图像处理算法研发的尿检仪器，决定其检测精度的一个先决条件是试纸条图像边缘的准确定位，为此，很多研究者提出了不同的检测方法。吉林大学宋佳等人选取Roberts来提取尿液试纸条的边缘，该方法获取的边缘较粗，定位不够准确[1]。吉林大学张萍等人研究了基于彩色图像处理的干式生化分析技术，对颜色的R、G、B三个分量进行分析且选用模糊C均值聚类算法进行处理，明显提高了检测精度，但此聚类算法复杂，降低了运算速度[2]。Antonio等人研究了一种基于手机平台的便携式分析仪，使用内置相机来捕获比色化学传感器的图像，使用定制开发的软件应用处理图像以获得色调值，得到了较为准确的结果，但其边缘检测算法选用一维边缘检测算子，导致检测精度较低[3]。Karam等人研发了一种基于智能手机的尿液试剂条读取器，用于快速和准确地筛选尿液中的白细胞酯酶和亚硝酸盐，此设备节省时间且经济实用，但只能检测两项指标，不具普适性[4]。

边缘检测算子中，Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，但对边缘定位不准确[5]。数学形态学算法基于几何运算，具有非线性特征，在边缘检测上既能体现图像集合特征，很好地检测图像边缘，又能满足实时性要求[6-7]。因此，本研究将Sobel算子和形态学算法相结合，在运算过程中结合图像的特点，提出了一种改进的算法实现了更精确的图像边缘检测。

2 算法原理

2.1 Sobel算子原理

Sobel算子在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。采用3×3领域可以避免在像素之间内插点上计算梯度，Sobel算子是一种梯度幅值，即：

(1)

其中的偏导数Gx和Gy可用卷积模板来实现，如下所示。

(2)

水平边缘Sobel算子 垂直边缘Sobel算子

2.2 数学形态学原理

数学形态学是使用数学的方法，把图像看成是点的集合，用集合论的观点来研究图像中物体的形态和结构的图像处理方法。数学形态学获取信息的基本方法是将结构元素灵活地组合、分解，应用形态变换序列达到分析的目的。数学形态学的基本运算包含膨胀、腐蚀、开运算和闭运算。通过组合这四种基本运算可以得到其他复杂的形态学运算，具体运算公式见式(3)～(8)。

膨胀：

(f⊕g)(x)=max(f(x-y)+g(y))

(3)

腐蚀：

(f⊗g)(x)=min(f(x+y)-g(y))

(4)

开运算：

(fg)(x)=((f⊗g)⊕g)(x)

(5)

闭运算：

(f·g)(x)=((f⊕g)⊗g)(x)

(6)

Top-Hat：

THat(g(x))=f(x)-fg(x)

(7)

Bottom-Hat：

BHAT(g(x))=f(x)-f·g(x)

(8)

公式中的g(x)代表长度x的结构元素，y代表结构元素的第y个元素，f是数学形态学要处理的信号。

3 Sobel算子-形态学改进算法

3.1 算法原理

使用Sobel算子检测尿液试纸条的边缘，所得并非一条完整的边缘，因此需结合数学形态学算法，通过选用双结构多尺度形态学边缘检测算子，来更好地获得试纸条图像的边缘细节，并抑制噪声，得到清晰准确的试纸条边缘图像。根据本研究改进算法，其数学定义如下：

E(I)=Sqrt{(I⊕A)2+[(I⊕A)B]2}

(9)

公式中I为Sobel处理后的待处理图像，A为大尺寸结构元素，B为小尺寸结构元素。待处理图像是经过二值化、中值滤波、高斯滤波、Sobel算子检测过的灰度图像[8]，得到粗略的图像边缘后，再将其做膨胀和开运算处理，将两者采用加权求和方法得到准确的边缘图像，最后做顶帽底帽联合处理，来增强边缘对比度，得到清晰的尿液试纸条边缘图像。

算法主要流程见图1。

图1 改进算法流程图

3.2 参数选择

形态学参数：结构元素是形态学的基本算子，合理选取结构元素直接影响图像处理的效果和质量。结构元素的选择在于结构元素的形状、尺寸和大小如何确定。其尺寸大小和结构形状都会影响图像的边缘检测效果，小尺寸的结构元素去噪声能力弱，但能检测到好的边缘细节，大尺寸的结构元素去噪声能力强，但所检测的边缘较粗[9]。由此可知，构造不同的元素可得到不同的结果，选取适当的结构元素是形态学图像处理中的一个关键点。

(1)结构元素的形状：不同形状的结构元素运算结果会有差异，应针对待处理图像的几何形状进行选择[10]，所研究对象是尿十一联试纸条，它由多个正方形块组成，仪器所检测的为各个反应块的浓度，所以选取正方形为结构元素，选取任意一幅正常尿十一联试纸条作为研究对象，见图2。

图2 尿十一联试纸条

(2)结构元素的尺寸：大尺度的结构元素，能够有效去除噪声；小尺度的结构元素，可以很好地提取图像的边缘细节信息。通过测量，尿液试纸条反应块大小为5×5，而2×2正方形虽是最小的具有各向同性的结构元素，但它不是对称的，因为它的中心不是数字化网格中心[12]，故选取小结构元素尺寸B为3×3，选取大结构元素尺寸为A=5×5。

(10)

4 实验结果与分析

4.1 实验结果

图3是几种传统算法对边缘检测的结果，这几种算法都无法准确完整的检测到我们所需尿液试纸条的边缘信息。

log算子对噪声比较敏感，所以很少用该算子进行检测边缘，通常用来判断边缘像素是位于明区还是暗区。Canny方法不容易受噪声干扰，能够检测到真正的弱边缘[11]，由于其阈值选取依赖于人工获得，无法满足大图库中图像边缘自动检测的要求[12]。Sobel算子虽存在检测边缘不准确的问题，但其对灰度渐变和噪声较多的边缘图像处理效果较好[13]。

(a)

(b)

(c)

(d)

图4是本研究算法过程中几个关键步骤的图像边缘检测结果。

图4(a)使用膨胀算法，先将边缘的不连续点填补起来，得到了一幅高亮度的完整粗边缘。图4(b)使用腐蚀算法，将图4(a)不利于边缘定位的粗边缘进行细化。图4(c)通过开运算，去掉了图像中细小的突出部分，并平滑了试纸条轮廓。从图中可观察出，边缘图像较图4(a)、图4(b)的边缘清晰度以及连续性有了明显提高，但是图像出现了双边现象，尤以下侧双边较重。图4(d)通过加权之后，从图中可以看出，相较于图4(c)的双边缘现象已被完全滤除。图4(e)为试纸条图像最终的边缘检测结果，通过顶帽底帽联合法增强图像对比度，使边缘更加清晰，易于分辨与定位。

(a)

(b)

(c)

(e)

4.2 客观评价指标(OEI)

图像客观质量评价方法是先计算出被评价图像的某些统计特性和物理参量，最常用的是图像相似度的测量。图像相似度的测量通常是用处理后的图像与原图像之间的统计误差来衡量图像的处理质量。误差越小，则从统计意义上来说，被评价图像与原图像的差异越小，图像的相似度就越高，获得的图像质量评价也就越高。(此种评价方法大多适用于黑白图像及灰度图像的质量评价。)

本研究选取信噪比和边缘连续性指标作为实验结果的评价指标。

(1)PSNR

峰值信噪比，用来评价一幅图像处理后和原图像相比质量的好坏。PSNR越高，处理后的图像失真率越低。通过求取均方差MSE，来获得PSNR的值，公式如下：

(11)

(12)

式中：MAX是图像灰度级，为255，I为原图像，K为处理后图像。

(2)边缘连续性

在图像轴线引入边缘尺度从边缘段全局的角度考虑每一像素对连续性的贡献，然后通过构造一个单调增加函数来度量每一边缘段的连续度，最后以全体边缘段连续度的加权均值即为图像的连续性评价指标[14]。

(13)

在此基础上构造一个为单调增加的函数，利用它来定义边缘段的连续度：

(14)

Ci为第i段边缘上所有像素的连续性贡献之和，也是边缘段的连续性描述指标。

以边缘段连续度的加权均值作为边缘图像的连续性指标，其中权值为相应边缘段的像素数量，即：

(15)

CIdx的范围为[0，1),值越大，表明图像中的边缘连续性越好。

4.3 实验结果对比

分别计算出几种实验结果图像的信噪比和边缘连续性指标，具体数据见表1。

表1为一幅尿液试纸条的实验结果，为了保证改进算法的正确性及可靠性，另选取六幅其它尿十一联试纸条，对其进行同样的实验流程处理，六幅其它尿十一联试纸条的信噪比和边缘连续性指标见表2、表3。

表1 几种实验对比结果

表2 六幅尿十一联试纸条信噪比

表3 六幅尿十一联试纸条边缘连续性指标

从表2和表3中可以看出，使用改进算法的实验结果尿液试纸条图像，其信噪比和边缘连续性指标要明显优于Canny算子等其它算子，这说明改进算法对尿液试纸条的边缘图像检测方面要优于传统算法，边缘检测结果更加清晰，准确。

5 结论与展望

本研究提出了一种基于Sobel算子和数学形态学相结合的改进算法，该算法实现了对图像边缘的准确定位，得到了清晰的试纸条边缘，提高了尿液试纸条各反应块的指标检测精度。本改进算法在尿液试纸条边缘检测中具有重要的应用价值，并且可以进一步应用到胶体金等其他生化分析仪中。同时，本改进算法也存在一些不足之处，如选取的边缘检测指标较少，需进行更加深入的研究，以期将本算法更好的应用到智能图像处理系统中。